Blachowicz Paszkiel 0402.indd

Pomiary Automatyka Robotyka 2/2010
Mobilny system do pomiaru wyładowań
niezupełnych sterowany
falami elektroencefalograficznymi
Andrzej Błachowicz
Szczepan Paszkiel
W artykule przedstawiono koncepcję sterowanego falami mózgowymi,
mobilnego systemu do pomiaru wyładowań niezupełnych. Do wykonywania
pomiarów wyładowań niezupełnych w dielektrykach urządzeń elektrycznych
(kondensatory, transformatory) został opracowany specjalny robot. Ponadto
przedstawiona została idea sprzęgnięcia robota z mózgiem człowieka zapewniającego bezpośrednią komunikację na linii mózg człowieka-robot.
becny poziom technologii pozwala na opracowywanie nowych koncepcji realizacji zadań, które
dotychczas były trudne do wykonania. Rozwój biocybernetyki oraz informatyki stworzył dogodne warunki
do wspierania automatyki i robotyki mechanizmami
informatycznymi [1]. Bezpośrednie sterowanie przez
mózg człowieka urządzeniami, a konkretnie robotami, jeszcze kilka lat temu trudno było zrealizować ze
względów technicznych [2]. Obecnie, dzięki wykorzystaniu elektroencefalografii, można analizować emitowane przez neurony fale mózgowe, a następnie po
odpowiedniej ich klasyfikacji zastosować w procesie
sterowania [3]. W artykule opisano koncepcję zastosowania fal mózgowych pobieranych za pomocą elektroencefalografu do sterowania robotem mobilnym,
który posłuży do zautomatyzowania procesu pomiaru
wyładowań niezupełnych (WNZ).
Wyładowania niezupełne
Wyładowania niezupełne występują w dielektrykach
urządzeń elektrycznych, takich jak transformatory,
kondensatory energetyczne, silniki elektryczne itp.
Zjawisko to jest niekorzystne ze względu na charakterystykę izolatora, a wraz z większą częstością WNZ
dochodzi do jego znacznej degradacji. Różne mechanizmy fizyczne towarzyszące wyładowaniom elektrycznym, zarówno zupełnym jak i niezupełnym, świadczą
o złożoności zagadnienia. Objawom uszkodzenia materiału izolacyjnego towarzyszą czynniki fizykochemiczne, z których najistotniejsze to [4, 5, 6]:
emitowanie z miejsca występowania wyładowania
fali elektromagnetycznej, która jest następstwem impulsu prądowego
przemiany chemiczne w strukturze izolacji
odkształcenia sprężyste na poziomie molekularnym
prowadzące do emitowania fali akustycznej
12
mgr inż. Andrzej Błachowicz, mgr inż. Szczepan Paszkiel
– Politechnika Opolska, Wydział Elektrotechniki,
Automatyki i Informatyki, Instytut Elektroenergetyki
Rys. 1. Schemat blokowy systemu detekcji WNZ metodą emisji
akustycznej
rozbłyski świetlne emitujące promieniowanie w zakresach spektrum widzialnego, podczerwonego
i nadfioletowego
lokalne implozje powodujące wzrost temperatury
oraz zmiany ciśnienia gazu.
Występowanie konkretnych czynników jest bezpośrednio związane ze złożonością konstrukcyjną urządzeń energetycznych zawierających izolatory. Z tego
względu proponuje się metody detekcji wyładowań
niezupełnych opartych na wykrywaniu poziomu
obecności wybranego zjawiska fizykochemicznego
[7]. Obecnie pierwsze miejsce w diagnostyce zajmują
metody nieinwazyjne. W dziedzinie wyładowań niezupełnych prym wiodą metody pomiaru emisji akustycznej [8, 9, 10] oraz optyczna diagnostyka spektralna [11, 12].
Głównymi elementami systemu (rys. 1) do pomiaru
WNZ metodą emisji akustycznej (EA) są: czujnik piezoelektryczny, wejściowe wzmacniacze pomiarowe, szybki przetwornik analogowo cyfrowy oraz układ akwizycji danych. Czujnik piezoelektryczny umieszczany
Pomiary Automatyka Robotyka 2/2010
jest w pobliżu miejsca występowania wyładowania niezupełnego. W przypadku pomiarów na rzeczywistym
obiekcie należy dokonać „osłuchania” jak największej
powierzchni w celu wyznaczenia obszarów o wysokim prawdopodobieństwie występowania WNZ. Miejsce styku czujnika z powierzchną obiektu powinno
być w miarę możliwości jak najlepiej dopasowane, aby
uniknąć przesłuchów pochodzących z otoczenia. Duże
znaczenie ma możliwość szybkiego przemieszczenia
czujników, co znacznie usprawnia proces diagnozy.
Na rys. 2 przedstawiona jest konfiguracja systemu
do pomiarów WNZ metodą detekcji widma optycznego. W pobliżu miejsca występowania zjawiska WNZ
umieszcza się trzy czujniki optyczne. Każdy z czujników dostosowany jest do innego pasma optycznego.
Wyszczególnia się pasmo światła widzialnego, ultrafioletowego oraz podczerwonego.
Robot mobilny
Możliwość prowadzenia pomiarów w obszarach
o utrudnionym dostępie do badanego obiektu stanowi poważne wyzwanie natury technicznej. Znaczącą
zaletą mobilnej jednostki badawczej jest sposobność
dostarczenia aparatury pomiarowej w miejsca, w których przebywanie personelu operatorskiego grozi
utratą zdrowia. Zaprojektowany i wykonany robot
SQ1 (rys. 3 i 5) jest wyposażony w aparaturę umożliwiającą mu poruszanie się w obszarze potencjalnego
zastosowania. Narzędzia pomiarowe, w które wyposażony został robot to: czujniki ultradźwiękowe dystansu,
czujniki akcelerometryczne rozmieszczone na kończynach robota oraz w centralnej części korpusu, kamery
cyfrowe oraz skaner laserowy. Komunikacja operatora
z robotem odbywa się bezprzewodowo. Operator za
pomocą autorskiej aplikacji może prowadzić robota
w przestrzeni architektonicznej rozdzielni średniego
napięcia. Pobieranie próbek pomiarowych odbywa się
za pośrednictwem czujników zamontowanych na badanym obiekcie. Dane przekazywane są z czujników
również za pomocą fal radiowych.
Rys. 2. Schemat blokowy detekcji WNZ metodą pomiaru widma
optycznego
Detektory konstruuje się z elementów półprzewodnikowych, światłoczułych, które pracują dla wyspecyfikowanych długości fal świetlnych. Podczas pomiarów obserwuje się znaczną aktywność w zakresie fal
ultrafioletowych, co kierunkuje badania w tym zakresie. Ze względu na bardzo niski poziom energetyczny
wyładowań niezupełnych, świadczących o degradacji
izolatora, należy stosować bardzo czułe tory pomiarowe. Czujniki powinny charakteryzować się dużą selektywnością pasma, wysokim wzmocnieniem oraz
bardzo dobrym współczynnikiem stosunku szumu
do sygnału użytecznego. Należy stosować specjalnie
wyselekcjonowane wzmacniacze pomiarowe przeznaczone do pracy z światłoczułymi elementami półprzewodnikowymi. Ze względu na małą dynamikę sygnału
nie jest konieczne stosowanie szybkich układów pomiarowych. Szybkość przetwarzania analogowo-cyfrowego w opisywanej metodzie detekcji WNZ nie musi
przekraczać wartości 100 kS/s. Istnieje wówczas realna możliwość zastosowania przetwornika o efektywnej rozdzielczości powyżej 16 bitów.
Rys. 3. Robot mobilny zasymulowany w programie AutoDesk
Inventor 2009
Mobilny system pomiarowy (rys. 4) składa się z kilku
modułów umożliwiających operatorowi zdalną pracę.
Głównymi elementami mobilnego robota są: moduł bezprzewodowy zgodny z IEEE 802.11 (ang. Wireless Fidelity – WiFi) [13] umożliwiający bezpośrednią komunikację z aplikacją sterującą WNZDetect2, moduł główny
zawierający część pomiarową, tor transmisji bezprzewodowej (Bluetooth) umożliwiający komunikację z czujnikami pomiarowymi, aktywne podwozie oraz moduł
monitoringu parametrów pracy robota SQ1.
Robot wyposażony został w ramię, za pomocą którego operator montuje na powierzchni badanego obiektu elementy systemu pomiarowego. Podczas procesu
diagnozowania wykonywana jest analiza emitowanych
WNZ z jednoczesnym utrwaleniem w bazie wiedzy pozycji przestrzennej montażu czujnika. W przyszłości
umożliwi to wykonanie badań porównawczych oraz
określenie trendów degradacji zachodzących w bada-
13
Pomiary Automatyka Robotyka 2/2010
Rys. 4. Modułowa budowa mobilnego systemu pomiarowego
nym układzie izolacyjnym. System zamontowanych na
ramieniu chwytaków magnetycznych ułatwia operowanie niewielkimi modułami czujników i przytwierdzanie ich do powierzchni obiektu.
Oprogramowanie mobilnego systemu pomiarowego
wykonano przy wsparciu systemu czasu rzeczywistego
RTOS (ang. Real Time Operation System). Poszczególne moduły składające się na robota zostały zaprojektowane zgodnie z architekturą proponowaną przez producenta RTOS. Korzystanie z zasobów udostępnianych
przez biblioteki systemu operacyjnego stwarza możliwość szybkiej realizacji nowych funkcji prowadzących
do rozwoju mobilnego systemu pomiarowego.
Moduł bezprzewodowego czujnika zrealizowano stosując szybki mikrokontroler z rdzeniem ARM.
Umożliwia rejestrację sygnałów emisji akustycznej
14
generowanej od WNZ z szybkością do 8 MS/s. Próbki zarejestrowane przez czujnik (rys. 6) przesyłane są
do robota mobilnego. Kolejne dane gromadzone są
w postaci pliku w pamięci stałej. Dostęp do informacji gwarantują serwer FTP (za pomocą klienta FTP)
oraz aplikacja WNZDetect2, która jednocześnie realizuje wizualizację i analizę danych.
Automatyzacja procesu eliminuje konieczność odłączania pracujących pod napięciem elementów sieci
elektroenergetycznej, skracając czas analizy, a jednocześnie nie powoduje zakłóceń w pracy systemu
energetycznego. Regularne prowadzenie diagnostyki elementów sieci energetycznej oraz utrwalanie ich
parametrów pozwala na gromadzenie informacji przydatnych w procesie planowania serwisu. Dodatkowo
mobilny system pomiarowy zapamiętuje pokonywaną
trasę oraz topologię obszaru stacji elektroenergetycznej i miejsce instalacji obiektów diagnozowanych.
Sterowanie robotem
za pomocą fal mózgowych
Aplikacja WNZDetect2 zainstalowana na stacji roboczej, z której następuje sterowanie robotem, umożliwia realizację tego procesu poprzez analizę sygnału
elektroencefalograficznego. Sygnał EEG pobierany jest
metodą nieinwazyjną za pomocą, umieszczonych na
skórze głowy osoby badanej, elektrod aktywnych [14].
Rozmieszczenie elektrod określa międzynarodowa specyfikacja 10-20 IFCN. Następnie sygnał przesyłany jest
do elektroencefalografu, przyłączonego za pomocą
portu USB 2.0 do stacji roboczej z zainstalowaną aplikacją WNZDetect2. Oprogramowanie odpowiednio
klasyfikuje sygnał EEG by wypracować reakcję robota
na aktualne bodźce mózgowe. Rys. 7 ilustruje ideę realizacji komunikacji z wykorzystaniem sygnału EEG.
Rys. 5. Robot mobilny, zdjęcie laboratoryjne
Rys. 7. Modułowa budowa systemu akwizycji fal mózgowych
Rys. 6. Moduł czujnika: aktywne sondy piezoelektryczne
Na proces poprawnego sterowania robotem wpływa
umiejętna analiza oscylacji sygnału EEG w zakresie rytmów α, β, γ [15]. Podczas prowadzonej analizy sygnału EEG można zauważyć dużą synchronizację rytmów
β w procesie uwagi, co jest istotne z punktu widzenia
sterowania robotem mobilnym. W tym czasie występuje duża aktywność komórek piramidalnych oraz ich
silna synchronizacja. Rytmy γ są zauważalne podczas
wzmożonej ilości przetwarzanych informacji przez ko-
Pomiary Automatyka Robotyka 2/2010
mórki nerwowe w jednostce czasu t. W przypadku rytmów γ następuje synchronizacja aktywności, która jest
bezpośrednio związana z przetwarzaniem informacji
[16, 17]. Na częstość rytmów i ich kształt ma bezpośredni wpływ nieliniowość związana ze specyficznym
charakterem występującego w danym czasie pobudzenia. Oscylacje rytmów γ można obserwować na wielu
elektrodach umieszczonych bezpośrednio nad korą
motoryczną. W trakcie pomiaru sygnału elektroencefalograficznego możliwa jest także do obserwacji desynchronizacja sygnału, zauważalna w różnicy energii
sygnału mierzonego. Miarą desynchronizacji sygnału
jest jego moc (1).
PA ( m) =
1 N 2
∑ A f ( n ,m )
N n =1
(1)
gdzie A jest wartością m-tego punktu sygnału w n-tym
powtórzeniu doświadczenia, a N oznacza liczbę powtórzeń. Desynchronizację można zatem zdefiniować jako
(2).
ERD =
PA ( m) − Z
∗100 %
Z
(2)
gdzie Z jest poziomem odniesienia (3).
Z=
1 i0 + l
∑ PA (m)
l m=i0
(3)
l – długość obszaru odniesienia, m – punkt sygnału.
Oprócz proponowanego w artykule interfejsu nieinwazyjnego BMI (ang. Brain Machine Interface) możliwe są również metody inwazyjne. Tego typu BMI,
opracowany został przez naukowców w Stanach Zjednoczonych i Europie. Wykorzystano tu implant chirurgiczny składający się z wiązek elektrod. Z punktu
widzenia technicznego takie rozwiązanie jest znacznie trudniejsze do realizacji i mało praktyczne w tego
typu zastosowaniach, jak mobilny system do pomiaru
wyładowań niezupełnych. Z tego względu w systemie
do pomiarów wyładowań niezupełnych zastosowano
metodę nieinwazyjną.
Problemy na etapie realizacji
połączenia mózg-robot mobilny
Szczególną uwagę należy zwrócić na osoby z podwyższonym ciśnieniem, zwiększoną pulsacją serca lub mające różnego rodzaju tiki nerwowe. Takie osoby niestety
nie będą mogły kierować mobilnym robotem.
Podsumowanie
Mobilny system pomiarowy do badań WNZ, jakie występują w układach izolacyjnych podczas postępującego
procesu degradacji materiału dielektrycznego w kondensatorach elektroenergetycznych przy wykorzystaniu
metody EA, będzie testowany podczas badań diagnostycznych wykonywanych w warunkach przemysłowych. Pozwoli to sprecyzować zakres praktycznych zastosowań. Przeprowadzenie doświadczeń w warunkach
dużych poziomów zakłóceń elektromagnetycznych towarzyszących pracy urządzeń elektroenergetycznych,
umożliwi określenie kierunków dalszych przeobrażeń
systemu, co wpłynie na jego udoskonalenie.
Zastosowanie mobilnego systemu rejestracji sygnałów EA generowanych przez WNZ w izolacji kondensatorów elektroenergetycznych pozwoli m. in.: zrobotyzować – dotychczas przeprowadzany ręcznie – proces
pomiarowy, zautomatyzować proces rejestracji, zobiektywizować uzyskiwane wyniki (automatyczna zmiana
miejsc umieszczenia przetworników, sposób ich sprzęgnięcia z badanym obiektem), skutecznie odseparować
personel techniczny od miejsca pomiarów zapewniając
bezpieczeństwo oraz mobilność – możliwość przesyłania danych pomiarowych z miejsca pomiarów do stanowiska obsługi za pomocą bezprzewodowej sieci opartej
na protokole TCP/IP.
Nieustających modyfikacji wymaga również system
sterowania robotem mobilnym za pomocą fal mózgowych. Konieczne jest opracowywanie modeli populacyjnych, będących odwzorowaniem poszczególnych
populacji komórek nerwowych i ich wzajemnych
współzależności. Za pomocą zaawansowanych metod
matematycznych można emulować poprawne zachowanie się sygnału EEG, w konkretnych stanach myślowych, w jakich znajduje się człowiek. Jest to kluczem do
sukcesu w przypadku budowy i implementacji zarówno komunikacji Brain Computer Interface, jak również
Brain Machine Interface.
Bibliografia
Bez wątpliwie największą trudnością, jaka występuje
na etapie skorelowania mózgu człowieka z robotem
mobilnym, jest przezwyciężenie różnego rodzaju zakłóceń zarówno biologicznych jak i technicznych [18,
19]. W analizowanym systemie szczególnie istotne
wydają się być czynniki techniczne, ponieważ system
działa w pobliżu dużych skupisk urządzeń elektroenergetycznych, które zakłócają poprawny odczyt sygnału
[20, 21]. W związku z tym konieczne jest odizolowanie stanowiska sterowania od obszaru pracy robota
mobilnego.
Oprócz wyżej wymienionych problemów natury technicznej, wymagane będą również odpowiednie kryteria
biologiczne w stosunku do osoby sterującej robotem.
1.
2.
3.
Georgopoulos A. P., Langheim F. J., Leuthold A. C., Merkle A. N.: Magnetoencephalographic signals predict
movement trajectory in space. Exp Brain Res, Vol. 25,
p. 132–135, 2005.
Dudek Z. T.: Interfejs BCI – próba przełamania bariery pomiędzy człowiekiem a komputerem. Przegląd
Telekomunikacyjny i Wiadomości Telekomunikacyjne,
nr 7/2003.
Tortella F., Rose J., Robles L., Moreton J., Hughes J., Hunter J.: EEG Spectra Analysis of the Neroprotective Kappa
Opioids Enadoline. Maryland 1997.
dokończenie na s. 16
15
Pomiary Automatyka Robotyka 2/2010
dokończenie ze s. 15
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
16
Kawada H., Honda M., Inoue T., Amemiya T.: PD automatic monitor for oil-filled power transformer. IEEE-PAS, vol. 103, no. 2, s. 422-428, 1984.
Kirtley J. L., Lavalle J. C., Mccarthy D. J.: Acoustic
monitoring of transformer structures. CIGRE Symp.,
Report no. 3-05.87, Vienna, s. 1-5, 1987.
Kucharska B.: Akustyczne deskryptory sygnałów
emitowanych przez wyładowania niezupełne
powierzchniowe. ZN PO, nr 219, Elektryka z. 44, s. 107124, 1996.
Kelley N. D., Osgood R. M., Bialasiewicz J. T., Jakubowski
A.: Using time-frequency and wavelet analysis to access
turbulence/rotor interactions. 19th American Society
of Mechanical Engineers (ASME) Wind Energy Symposium, Reno, Nevada, January 10–13, 2000.
Florkowska B., Zydroń P.: Analiza widmowa ulotu elektrycznego. V Ogólnopolskie Sympozjum IWN- IW 2002,
Poznań-Kiekrz, s. 80–83, 2002.
Fuhr J., Maessing M., Boss P., Tschudi D., King R. A.: Detection and Location of Internal Defects in the Insulation of Power Transformers. IEEE Trans. On EI, Vol.28,
No.6, s. 10057-1069, 1993.
Howells E., Norton E. T.: Parameters affecting the velocity of sound in transformer oil. IEEE-PAS, Vol. 103, No.5,
p. 1111–1115, 1984.
Rabbani M., Santa Cruz D.: The JPEG 2000 still-image
compression standard. Materials of course in ICIP, Thessaloniki, Greece 2001.
Skubis J.: Emisja akustyczna w badaniach izolacji urządzeń elektroenergetycznych. IPPT-PAN, Opole 1993.
Zmarzły D., Pomiary elektrycznych wielkości medycznych. Politechnika Opolska. Opole 2004.
Venter H. S., Eloff J.H.P.: Network Security: Important
Issues. Department of Computer Science, Rand Afrikaans University, s. 147–154, 1992.
Larrieu N., Owezarski P.: Towards a Measurement
Based Networking approach for Internet QoS improvement. Computer Communications, Vol. 28, s. 259–273,
2005.
White T., Pagurek B., Bieszczad A.: Network Modeling
for Management Applications Using Intelligent Mobile
Agents. Journal of Network and Systems Management,
Vol. 7, No. 3, 1999.
Todorova P.: Network Control in ATM-Based LEO Satellite Networks. Telecommunication Systems 22:1–4,
p. 321–335, 2003.
Bush S. F., Frost V. S.: A Framework for Predictive
Network Management of Predictive Mobile Networks.
Journal of Network and Systems Management, Vol. 7,
No. 2, 1999.
Ibrahim T., Venin J. M., Garcia G.: Brain Computer Interface in Multimedia Communication. IEEE Signal Processing Magazin, vol. 20 (1), 2003.
Wolański N.: Rozwój biologiczny człowieka. Podstawy
auksologii, gerontologii i promocji zdrowia. Warszawa
2005, s. 374.
Schumacher H. J., Ghosh S.: A fundamental framework
for network security. Journal of Network and Computer
Applications, p. 305–322, 1997.